Aula 13 — Sensoriamento Remoto Aplicado I: Fundamentos Operacionais
Curso de Geografia
Universidade Estadual de Feira de Santana (UEFS)
2026-04-08
Objetivo da Aula
Compreender os fundamentos operacionais do sensoriamento remoto orbital aplicado à análise da paisagem: tipos de sensores, resoluções, composições de bandas e índices espectrais, capacitando o estudante a ler e interpretar imagens de satélite como fonte de evidência.
O sensoriamento remoto permite:
| Ferramenta | O que fornece |
|---|---|
| Imagem óptica | Padrões de uso/cobertura, feições visíveis |
| Série temporal | Trajetórias de mudança, sazonalidade |
| Índices espectrais | Vigor da vegetação, umidade, urbanização |
| Classificação | Mapa temático → base para métricas |
🛰️ Satélite (órbita ~700 km)
↓
Sensor → Registra energia
↓
Imagem → Pixels geolocalizados
↓
Análise → Informação sobre a paisagem
Todo corpo com temperatura acima do zero absoluto emite radiação eletromagnética. Além disso, objetos refletem a radiação solar de forma diferente:
“Cada cobertura da terra tem uma ‘assinatura espectral’.”
| Sensor/Satélite | Operador | Resolução espacial | Resolução temporal | Bandas | Uso típico |
|---|---|---|---|---|---|
| Landsat 8/9 | USGS/NASA | 30 m (15 m Pan) | 16 dias | 11 | Série histórica (1984–) |
| Sentinel-2 | ESA (Copernicus) | 10–20 m | 5 dias | 13 | Uso/cobertura detalhado |
| CBERS-4A | INPE/China | 2–64 m | 26 dias | Variável | Monitoramento regional |
| MODIS | NASA | 250–1000 m | 1–2 dias | 36 | Monitoramento global |
| Planet (comercial) | Planet Labs | 3–5 m | Diária | 4–8 | Alta frequência |
| Google Earth | Variável | Variável | RGB | Visualização e contexto |
Para a disciplina: trabalharemos principalmente com Sentinel-2 (alta resolução, gratuito, recente) e MapBiomas (classificação anual do uso/cobertura da terra no Brasil, baseada em Landsat desde 1985).
Tamanho do pixel no terreno.
| Classe | Pixel | Exemplo |
|---|---|---|
| Muito alta | < 1 m | Imagens comerciais (WorldView) |
| Alta | 1–10 m | Sentinel-2 (10 m), Planet (3 m) |
| Média | 10–100 m | Landsat (30 m) |
| Baixa | > 100 m | MODIS (250–1000 m) |
Menor pixel → mais detalhe, mas mais dados e menor área.
Intervalo entre revisitas ao mesmo ponto.
Maior frequência → mais chances de imagem sem nuvem.
Número e largura das bandas do sensor.
Mais bandas → mais informação sobre composição de alvos.
Número de níveis de cinza por pixel.
Mais bits → melhor discriminação de alvos com reflectância semelhante.
Resumo: A escolha do sensor depende do objetivo da análise. Para a análise da paisagem, buscamos equilíbrio entre resolução espacial (detalhe), temporal (mudanças) e espectral (discriminação de alvos).
| Banda | Nome | Faixa (nm) | Resolução | O que detecta |
|---|---|---|---|---|
| B2 | Azul | 490 | 10 m | Água, atmosfera |
| B3 | Verde | 560 | 10 m | Vegetação verde |
| B4 | Vermelho | 665 | 10 m | Clorofila (absorção) |
| B8 | NIR | 842 | 10 m | Vegetação (alta reflectância) |
| B11 | SWIR-1 | 1610 | 20 m | Umidade, solo |
| B12 | SWIR-2 | 2190 | 20 m | Minerais, solo seco |
Atribuímos bandas aos canais R-G-B do monitor:
| Composição | R | G | B | O que destaca |
|---|---|---|---|---|
| Cor verdadeira | B4 | B3 | B2 | Como o olho vê |
| Falsa cor (veg.) | B8 | B4 | B3 | Vegetação em vermelho |
| SWIR | B12 | B8 | B4 | Solo, queimadas, umidade |
| Agricultura | B11 | B8 | B2 | Cultura/solo/água |
Na prática: A composição falsa cor (B8-B4-B3) é a mais útil para análise da paisagem: vegetação aparece em vermelho vivo, solo exposto em tons claros e água em tons escuros.
\[NDVI = \frac{NIR - RED}{NIR + RED} = \frac{B8 - B4}{B8 + B4}\]
| Valor | Interpretação |
|---|---|
| -1 a 0 | Água, solo nu, nuvens |
| 0 a 0,2 | Solo exposto, vegetação rala |
| 0,2 a 0,5 | Pastagem, caatinga aberta |
| 0,5 a 0,8 | Vegetação densa, cultura irrigada |
| > 0,8 | Floresta densa, alta atividade fotossintética |
\[NDWI = \frac{GREEN - NIR}{GREEN + NIR} = \frac{B3 - B8}{B3 + B8}\]
\[NDBI = \frac{SWIR - NIR}{SWIR + NIR} = \frac{B11 - B8}{B11 + B8}\]
Importante: Índices são aproximações. Devem ser interpretados com cautela e, sempre que possível, validados com dados de campo ou fontes independentes.
| Método | Descrição | Quando usar |
|---|---|---|
| Visual | Intérprete identifica e delimita classes | Áreas pequenas, alta precisão |
| Supervisionada | Algoritmo treinado com amostras do intérprete | Áreas médias, classes conhecidas |
| Não supervisionada | Algoritmo agrupa pixels sem amostras | Exploração inicial, áreas desconhecidas |
| Orientada a objetos | Segmenta imagem em objetos, depois classifica | Imagens de alta resolução |
O MapBiomas é a mais completa base de uso/cobertura da terra no Brasil:
| Plataforma | Tipo | Acesso |
|---|---|---|
| Google Earth Engine | Processamento em nuvem | earthengine.google.com |
| MapBiomas | Classificação pronta | mapbiomas.org |
| INPE/Catálogo | Download de imagens | www.dgi.inpe.br/catalogo |
| Copernicus Open Access Hub | Sentinel-2 | scihub.copernicus.eu |
| Tipo | Função | Uso |
|---|---|---|
| Passa-baixa | Suaviza (média) | Remover ruído |
| Passa-alta | Realça bordas | Detectar limites/feições |
| Mediana | Suaviza preservando bordas | Reduzir “sal e pimenta” |
1. Obter imagem (download/GEE)
↓
2. Verificar qualidade (nuvens, sombra)
↓
3. Correção atmosférica (se necessário)
↓
4. Recortar área de estudo
↓
5. Composição colorida (visualização)
↓
6. Cálculo de índices (NDVI, NDWI...)
↓
7. Classificação (se necessário)
↓
8. Interpretação e validação
↓
9. Mapa temático final
Na próxima aula, faremos exercício de identificação de feições na área de estudo:
Obrigado!
Luiz Diego Vidal Santos
Universidade Estadual de Feira de Santana (UEFS)
Análise da Paisagem — Aula 13
UEFS | Análise da Paisagem | Aula 13